Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/3033 |
Resumo: | A avaliação de imagens de fundo de retina é uma tarefa importante na oftalmologia, sendo um dos principais indicadores de condições oculares adversas. Dentre elas, o glaucoma se destaca pela necessidade de um diagnóstico durante seus estágios iniciais, para que o tra tamento possa evitar sintomas graves na visão do paciente. Devido à escassez e ao alto custo de especialistas de retina, processos automáticos que identifiquem estruturas adver sas em imagens de retina podem beneficiar a obtenção de diagnósticos. Para o glaucoma, é importante identificar a dimensão da escavação do nervo óptico, já que uma relação entre a escavação óptica e o disco óptico acima de 0,5 é um forte indicador da condição. Um processo automático depende da segmentação automática do disco e escavação óptica nas imagens de retina, que provê as dimensões para o cálculo da relação. O presente trabalho propõe o uso de modelos de redes neurais generativas adversárias condicionadas para a tarefa de segmentação da retina, baseado na arquitetura Pix2Pix. Para validar o modelo, comparou-se o modelo generativo proposto com os modelos convolucionais U-Net e M Net, que representam os melhores resultados da literatura. Os resultados indicam que o modelo generativo é capaz de realizar a segmentação de retina com precisão comparável aos modelos do estado-da-arte, e é capaz de generalizar a tarefa com maior robustez. |
id |
UFEI_615268eb184bdaa98ff42218d4fbde4d |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/3033 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2021-12-092022-02-102022-02-10T11:01:22Z2022-02-10T11:01:22Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/3033A avaliação de imagens de fundo de retina é uma tarefa importante na oftalmologia, sendo um dos principais indicadores de condições oculares adversas. Dentre elas, o glaucoma se destaca pela necessidade de um diagnóstico durante seus estágios iniciais, para que o tra tamento possa evitar sintomas graves na visão do paciente. Devido à escassez e ao alto custo de especialistas de retina, processos automáticos que identifiquem estruturas adver sas em imagens de retina podem beneficiar a obtenção de diagnósticos. Para o glaucoma, é importante identificar a dimensão da escavação do nervo óptico, já que uma relação entre a escavação óptica e o disco óptico acima de 0,5 é um forte indicador da condição. Um processo automático depende da segmentação automática do disco e escavação óptica nas imagens de retina, que provê as dimensões para o cálculo da relação. O presente trabalho propõe o uso de modelos de redes neurais generativas adversárias condicionadas para a tarefa de segmentação da retina, baseado na arquitetura Pix2Pix. Para validar o modelo, comparou-se o modelo generativo proposto com os modelos convolucionais U-Net e M Net, que representam os melhores resultados da literatura. Os resultados indicam que o modelo generativo é capaz de realizar a segmentação de retina com precisão comparável aos modelos do estado-da-arte, e é capaz de generalizar a tarefa com maior robustez.The evaluation of retinal fundus images represents an important task in ophtalmology, as it provides indication of eye-related pathologies. Among them, glaucoma stands out due to the need of an early diagnosis and early treatment, so severe vision symptoms can be avoided. Due to the high cost and low availability of retina specialists, automatic processes that identify adverse structures in retinal fundus images can aid the process of obtaining diagnoses. For glaucoma diagnosis, it is important to identify the dimension of the optic cup in the retina nerve head, as a ratio between optic cup and optic disc greater than 0.5 is a strong indicator of the condition. An automatic process depends on the segmentation between optic disc and optic cup in retinal fundus images, which provides the structures dimensions for calculating such ratio. This work proposes the usage of conditional generative adversarial neural networks for the retina segmentation task, based on Pix2Pix architecture. To validate the model, the proposed model was compared to U-Net and M-Net convolutional models, that represent the best results in literature. Results indicate that the generative model is capable of providing retina segmentation with precision comparable with state-of-art models, and it is capable of doing such task with higher robustness.porUniversidade Federal de ItajubáPrograma de Pós-Graduação: Mestrado - Engenharia ElétricaUNIFEIBrasilIESTI - Instituto de Engenharia de Sistemas e Tecnologia da InformaçãoCNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICAAprendizado de MáquinaGlaucomaModelo generativoRedes neurais. RetinografiaSegmentação de imagensValidação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSPADOTI, Danilo Henriquehttp://lattes.cnpq.br/8760117075106351http://lattes.cnpq.br/0624693729878452CARVALHO, Tales HenriqueCARVALHO, Tales Henrique. Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina. 2021. 60 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2021.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3033/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALDissertação_2022023.pdfDissertação_2022023.pdfapplication/pdf2261889https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3033/1/Disserta%c3%a7%c3%a3o_2022023.pdf0bdb58de254d9e84e62f159f681aedcaMD51123456789/30332022-02-10 08:01:25.949oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442022-02-10T11:01:25Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
title |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
spellingShingle |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina CARVALHO, Tales Henrique CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Aprendizado de Máquina Glaucoma Modelo generativo Redes neurais . Retinografia Segmentação de imagens |
title_short |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
title_full |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
title_fullStr |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
title_full_unstemmed |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
title_sort |
Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina |
author |
CARVALHO, Tales Henrique |
author_facet |
CARVALHO, Tales Henrique |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
SPADOTI, Danilo Henrique |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8760117075106351 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0624693729878452 |
dc.contributor.author.fl_str_mv |
CARVALHO, Tales Henrique |
contributor_str_mv |
SPADOTI, Danilo Henrique |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Aprendizado de Máquina Glaucoma Modelo generativo Redes neurais . Retinografia Segmentação de imagens |
dc.subject.por.fl_str_mv |
Aprendizado de Máquina Glaucoma Modelo generativo Redes neurais . Retinografia Segmentação de imagens |
description |
A avaliação de imagens de fundo de retina é uma tarefa importante na oftalmologia, sendo um dos principais indicadores de condições oculares adversas. Dentre elas, o glaucoma se destaca pela necessidade de um diagnóstico durante seus estágios iniciais, para que o tra tamento possa evitar sintomas graves na visão do paciente. Devido à escassez e ao alto custo de especialistas de retina, processos automáticos que identifiquem estruturas adver sas em imagens de retina podem beneficiar a obtenção de diagnósticos. Para o glaucoma, é importante identificar a dimensão da escavação do nervo óptico, já que uma relação entre a escavação óptica e o disco óptico acima de 0,5 é um forte indicador da condição. Um processo automático depende da segmentação automática do disco e escavação óptica nas imagens de retina, que provê as dimensões para o cálculo da relação. O presente trabalho propõe o uso de modelos de redes neurais generativas adversárias condicionadas para a tarefa de segmentação da retina, baseado na arquitetura Pix2Pix. Para validar o modelo, comparou-se o modelo generativo proposto com os modelos convolucionais U-Net e M Net, que representam os melhores resultados da literatura. Os resultados indicam que o modelo generativo é capaz de realizar a segmentação de retina com precisão comparável aos modelos do estado-da-arte, e é capaz de generalizar a tarefa com maior robustez. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-09 |
dc.date.available.fl_str_mv |
2022-02-10 2022-02-10T11:01:22Z |
dc.date.accessioned.fl_str_mv |
2022-02-10T11:01:22Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3033 |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3033 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.references.pt_BR.fl_str_mv |
CARVALHO, Tales Henrique. Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina. 2021. 60 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2021. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UNIFEI |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3033/2/license.txt https://repositorio.unifei.edu.br/jspui/bitstream/123456789/3033/1/Disserta%c3%a7%c3%a3o_2022023.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 0bdb58de254d9e84e62f159f681aedca |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863212721766400 |